它们过分强调了那一个搜索：对TikTok的For You页面上不需要的内容进行控制

研究背景与问题

• 作者发现了哪些问题或挑战？
  作者重点关注了用户对于 TikTok 的 For You Page (FYP) 推荐内容的不满，特别是算法持续推荐用户明确表示不感兴趣的内容的问题。这种现象被称为“算法持续性”（algorithmic persistence），即用户多次尝试抵制某些内容，但推荐系统仍继续提供这些内容。

• 为什么这个问题很重要？
  这一问题关系到推荐系统的用户体验及用户长期使用的可持续性。虽然 TikTok 的个性化推荐常被赞誉为精准，但在某些情况下，这种推荐可以导致用户挫败感、心理健康问题，甚至促使用户放弃使用该平台。

• 研究动机与相关工作
  本研究旨在探索用户的民间理论（folk theories）以及如何应对算法推荐中的不匹配问题。先前研究已关注用户如何通过民间理论理解算法，但鲜有研究关注用户努力与算法的抵抗互动，以及这种互动失败的具体表现。

解决方案

• 作者提出了哪些方法或解决方案？
  作者未提出对算法的直接修正方案，而是通过定性访谈研究，记录用户如何通过策略应对不符合其兴趣的推荐内容。这些策略包括快速划过不喜欢的内容、利用“筛选关键词”功能、举报或屏蔽账号，以及通过积极互动方式推荐自己喜欢的内容。

• 该解决方案的创新之处是什么？
  创新之处在于引入“算法持续性”的概念，描述一种算法对用户拒绝反应的不敏感性。这扩展了现有的关于算法和用户适应的研究，为算法设计提供了新的考虑方向。

• 实施步骤是什么？使用了哪些关键技术？

  • 数据收集方法：通过 TikTok 现有用户和离开用户的定性访谈，共同探讨对推荐内容的感知和应对策略。
  • 数据分析方法：采用扎根理论的编码分析技术，逐步提炼理论和主题以识别模式和概念。
  • 通过系统化比较和主题编码，探索用户行为与平台的反应机制。

研究成果

• 取得了哪些具体成果？
  本研究揭示了算法对“民间理论”以及用户的行为策略往往缺乏响应。这种现象既可能是算法的技术性盲点，也可能反映了算法对用户兴趣的“僵化的”理解。用户尝试了多种策略，如使用“不感兴趣”按钮、划过内容、主动关注喜好内容，但效果有限。此外，“算法持续性”成为影响用户平台体验的显著现象。

• 与现有解决方案相比，它有哪些优势？
  本研究的特色是在人类计算机互动的背景下引入了用户与算法之间失败互动的概念，为改进推荐系统设计提供了新见解。通过定性研究，深入理解用户如何抗拒推荐内容，并且无法取得预期效果。

• 实验或评估结果是什么？
  用户的部分策略（如关键词筛选）在短期内有效，但从长远来看，这些策略无法完全摆脱不喜欢的内容。即使用户通过屏蔽和举报采取更极端的措施，仍难以根本改变他们的 FYP。

• 局限性与未来方向

  • 局限性：研究样本较小，仅基于 14 次访谈，可能难以广泛概括至所有 TikTok 用户或其他平台。此外，随着 TikTok 算法不断更新，研究结果可能不适用于较长时间后的系统版本。
  • 未来方向：建议通过更大样本的量化实验或算法审计进一步验证“算法持续性”的普遍性及其影响。同时，需探索其他社交平台的类似现象，评估该概念的通用性。

通过揭示 TikTok 上存在的受限用户行为策略与算法的不匹配，本研究深化了推荐系统设计与用户行为交互的理解，并鼓励对其他平台进行类似的探索研究。